带有未知值先验的动态矩阵分解
机器学习
2015-07-24 v1 信息检索
机器学习
摘要
基于显式反馈的先进且有效的协同过滤方法假设未知评分不遵循与观测评分相同的模型（非随机缺失）。在这项工作中，我们基于这一假设，引入一种新颖的动态矩阵分解框架，允许对未知值设定显式先验。当新评分、用户或物品进入系统时，我们可以在与数据规模（用户、物品和评分的数量）无关的时间内更新分解。因此，我们甚至可以快速为非常近期的用户推荐物品。我们在三个大型数据集（包括两个非常稀疏的数据集）上，在静态和动态条件下测试了我们的方法。在每种情况下，我们都优于不使用未知评分先验的最新矩阵分解方法。
引用
@article{arxiv.1507.06452,
title = {Dynamic Matrix Factorization with Priors on Unknown Values},
author = {Robin Devooght and Nicolas Kourtellis and Amin Mantrach},
journal= {arXiv preprint arXiv:1507.06452},
year = {2015}
}
备注
in the Proceedings of 21st ACM SIGKDD Conference on Knowledge Discovery and Data Mining 2015